放大招！螞蟻靈波“王炸”模型四連發，機器人要成精了？

四天開源四個模型，螞蟻靈波直接攤開了一張具身智能的完整底牌。

從【看清】玻璃，到【理解】任務，再到【模擬】世界，最后到【行動】落地 ——一套覆蓋感知、決策與仿真與執行的完整技術棧全集開源。

自1月27日起，螞蟻集團旗下靈波科技（RobbyAnt）發起「開源周」，打出了一套嚴密的組合拳：

起手即是破局，LingBot-Depth 率先亮相，解決了機器人視覺中“看不透”的頑疾；

緊隨其后，LingBot-VLA 接管大腦，讓機器人真正具備了理解抽象指令的通感；

第三天，LingBot-World 構建高保真環境，為機器人打造了一個極低成本的試錯空間；

而在今天，全球首個自回歸視頻-動作模型 LingBot-VA 壓軸登場，讓機器人真正學會“邊推演、邊行動”。

這套全家桶并非功能的簡單堆砌。這四個模型單拎出來，每一個的指標都足以在行業內炸場。

那么，它們究竟強在哪里？

眼睛：破解透明難題，讓機器人“看見不可見”

家居機器人撞上玻璃門，工業機械臂抓不到透明零件，這些行業經典痛點，源于傳統深度相機在透明與反光材質前的功能性失明。

首日開源的LingBot-Depth 選擇了一條巧妙路徑：不依賴昂貴硬件升級，而是通過掩碼深度建模（MDM）算法，讓現有傳感器獲得超越自身規格的感知能力。

研究團隊構建了包含200萬組真實場景數據和100萬組合成數據的訓練集，實現在稀疏深度補全任務中，誤差降低約 47%, 室內場景相對誤差降低超過 70%。

在真機驗證中，啟用LingBot-Depth后的機器人抓取完全透明的塑料杯，成功率從0躍升至50%。

項目鏈接: https://technology.robbyant.com/lingbot-depth

HuggingFace 鏈接：https://huggingface.co/robbyant/lingbot-depth

技術報告鏈接：https://github.com/Robbyant/lingbot-depth/blob/main/tech-report.pdf

▍大腦：20000小時真實數據，喂出最強開源VLA基座

有了好眼睛，更需要一個好腦子。但機器人的“腦子”一直有個頑疾：在A機器人上訓練的技能，換到B機器人上就宕機；在實驗室桌子能完成的任務，換張桌子就抓瞎。

LingBot-VLA的解決方案簡單粗暴，用海量、多樣化的真實數據，硬生生喂出常識和泛化能力：20000小時真實機器人操作數據，覆蓋9種不同構型的雙臂機器人。

這一數據量不僅創下開源領域新紀錄，更重要的是，研究團隊首次在真實機器人任務中系統驗證了VLA模型的Scaling Law：隨著預訓練數據從3000小時逐步擴展到20000小時，模型在下游任務的成功率持續提升，且尚未出現飽和跡象。

技術架構上，LingBot-VLA采用專家混合Transformer設計，并創新性地將LingBot-Depth提供的深度信息通過可學習查詢對齊機制注入模型，賦予機器人精確的空間感知能力。

在上海交通大學開源的GM-100真實機器人評測基準中，引入深度信息的LingBot-VLA平均成功率達 17.3%，超越此前公認最強的Pi0.5。

在仿真基準RoboTwin 2.0中，面對高度隨機化干擾，其成功率也比π0.5領先近10個百分點。

這驗證了一個關鍵假設：一個在海量、異構真實數據中訓練的大腦，能夠學會跨越硬件差異的本質操作邏輯，真正實現“一個大腦，適配多個身體”。

項目網站：https://technology.robbyant.com/lingbot-vla

模型：

https://huggingface.co/collections/robbyant/lingbot-vla

https://www.modelscope.cn/collections/Robbyant/LingBot-VLA

數據集：

https://huggingface.co/datasets/robbyant/lingbot-GM-100

GitHub：https://github.com/Robbyant/lingbot-vla

技術報告：https://arxiv.org/abs/2601.18692

▍模擬：高保可交互的“虛擬演練場”開源

在真實世界訓練機器人，成本高昂、效率低下、風險不小。于是，有一個能夠試錯、學習和推演的環境很重要。

LingBot-World 就是在構建一個與物理世界規律一致的 高保真、可交互仿真環境。不止是一個視頻生成模型，更是一個物理規律嚴謹的世界模擬器。

它的強大，讓人瞠目：

十分鐘超長生成：畫面穩定不崩壞，解決了長視頻生成的記憶難題。

實時交互：你可以用WASD鍵盤像玩游戲一樣實時探索這個世界，也可以用自然語言下令：“前面放個煙花”、“變成冰雪世界”，世界隨之改變。

嚴格物理規律：貓咪撞到沙發會停下，不會穿模；鏡頭移開再回來，物體仍在并符合邏輯。

高動態環境下，鏡頭長時間移開后返回，車輛形態外觀仍保持一致

鏡頭長時間移開后返回，房屋仍存在且結構一致

這意味著，機器人可以在這個虛擬世界里進行無數次零成本的人生模擬，學習技能、試錯規劃，再將經驗無損遷移到現實。

更讓社區沸騰的是，相比其他頂尖團隊的閉源策略，螞蟻靈波選擇了完全開源 。國內外網友一片驚呼：“對開源社區是巨大勝利！”“這是具身智能的重大進步！”

項目網站：https://technology.robbyant.com/lingbot-world

模型：

https://huggingface.co/collections/robbyant/lingbot-world

https://www.modelscope.cn/collections/Robbyant/LingBot-world

數據集：Code:https://github.com/Robbyant/lingbot-world

技術報告: https://github.com/robbyant/lingbotworld/blob/main/LingBot_World_paper.pdf

▍執行：從“看懂世界”到“改變世界”

接下來，還有一個關鍵問題懸而未決：如何將世界模型中推演的未來，高效、可靠地變為機器人在物理世界中 執行的當下？

今天開源的 LingBot-VA，正是打通了落地的答案，是全球首個自回歸視頻-動作一體化世界模型。

它的核心突破在于“邊推演，邊行動”。

傳統的流程是，先讓世界模型完整推演一遍任務視頻，再讓另一個控制模型去學習模仿。而LingBot-VA將二者融合：在每一步，模型根據當前觀測，同步生成下一幀的世界畫面和達成該畫面的機器人動作。

它擁有長期記憶：能記住完整的歷史交互，避免在相似狀態中陷入循環。例如，在“開右盒-關右盒-開左盒”的任務中，它能清晰區分關盒前后的相同狀態，不會卡殼。

它具備少樣本快速學習能力：僅需30-50條真實演示，就能快速適應新任務，極大降低了部署成本。

它構建了“預測-執行-感知-修正”的實時閉環：在生成每一步時，都會納入實時傳感器反饋進行修正，確保想象不偏離現實。

在真實機器人評測中，面對制作早餐、高精度插入、柔性衣物折疊等高難度任務，LingBot-VA平均成功率較頂級基線模型提升20%。

在仿真評測中，它更是將雙臂協同操作的成功率推至 90%以上，刷新行業紀錄。

至此，世界模型賦能具身操作的路徑終于形成：Depth提供精準的眼睛，VLA充當通用的“大腦，World構建可無限試錯的模擬環境，而VA則賦予實時將想象落地的“手腳”。

一個智能體從感知環境、理解任務、模擬推演到最終執行的完整能力鏈路，被完全打通。

項目網站：https://technology.robbyant.com/lingbot-va

模型：

https://huggingface.co/collections/robbyant/lingbot-va

https://www.modelscope.cn/collections/Robbyant/LingBot-va

數據集：https://github.com/Robbyant/lingbot-va

技術報告:https://github.com/Robbyant/lingbot-va/blob/master/LingBot_VA_paper.pdf

▍結語與未來

螞蟻靈波此次四天四模型的體系化開源，背后是清晰的產業判斷。

當前機器人行業面臨的核心痛點是場景碎片化與硬件非標化。傳統的為每款機器人、每個場景定制算法的模式，成本高、周期長、難以規模化。

LingBot系列提供的是一種 “基座+適配”新范式：通過開源經過海量真實數據預訓練的通用模型與工具鏈，企業可以用更少的數據、更低的算力，快速適配自己的特定場景和機器人本體。

通過這次體系化的開源，可以看到螞蟻靈波的戰略定位也愈發明晰：不下場制造機器人軀體，而是專注于打造可規模化復用的最強大腦與核心能力，為行業提供一套標準的智能基座。

另一種程度上，開源也意味著以開放協作定義的新周期剛剛開始。那個屬于通用具身智能的未來，正在以更清晰、更務實的路徑加速到來。